11.6 主题敏感影响者的挖掘
社会媒体网络的出现和快速流行为用户提供了一个创造和分享兴趣内容的交互分享平台。最近，社会影响力分析已吸引了研究者充分的兴趣。相当量的工作已进行来验证影响力的存在[6] ，或者在同质网络中的影响力建模[7] 。但是，鲜有工作研究包含多模态兴趣内容的社交网络中主题敏感影响力量化的问题。本文探究在基于兴趣的社会媒体网络中的主题敏感影响者挖掘（Topic-Sensitive InfluencerMining, TSIM）的问题。TSIM 旨在挖掘网络中主题特定的有影响力的顶点。我们以最流行的图片分享网站之一的 Flickr 为测试平台，进行研究和实验；使用视觉文本的内容关系构建同质超边，用于主题学习和使用社交链接关系构建异质超边用于网络中影响力排序。所提出的解决 TSIM 的方法框架，主要包括超图学习、兴趣主题学习和主题敏感影响力排序三种学习阶段。首先，一个统一超图构建来对Flickr 种的用户、图像和多种类型关系进行建模。在图像之间的视觉 - 文本信息用于构建同质超边。用户和图像之间的社交链接关系用于产生异质超边。其次，由于图像的稀疏社交链接的影响，有信息性的标签图像选取并在超图异质超边上通过超图正则化主题模型学习主题空间。我们通过协同表示相似性传播来获得所有的图像和用户的主题分布。最后，一种基于相似性传播的超图排序算法，在超图超边上运行获得用户和图像的特定主题的社会影响力得分。在从 Flickr 收集的真实数据上的实验验证了所提方法挖掘主题敏感影响者的有效性。
